基于深度卷积网络的路面遗留物检测方法技术

基于深度卷积神经网络的路面遗留物检测方法，移动终端检测点作为道路摄像头，移动终端检测点通过摄像头获取图像信息，将深度学习引入路面事件识别并加以改进，以显著提高道路事件识别准确率。本发明专利技术利用卷积神经网络对获取的图像进行分析，解决移动摄像机与静止图像目标检测，将路面ROI区域划分为多个网络，构建路面—非路面识别模型，通过非路面网格反向识别高速公路路面遗留物、路面抛洒物等静态目标。本发明专利技术应用于路面遗留物、路面抛洒物等非实时性任务，充分利用移动互联网的特点与优势，以低成本实现区域高覆盖率路面遗留物等路面事件检测。

【技术实现步骤摘要】
基于深度卷积网络的路面遗留物检测方法
本专利技术属于深度特征的视频检测
，涉及路面事件的检测，基于Deep-CNN路面反向识别模型进行路面遗留物检测，以及对检测结果的数据分析与数据挖掘，为一种基于深度卷积神经网络(Deep-CNN)的路面遗留物检测方法。
技术介绍
道路事故，交通拥堵，环境污染是当今公路交通发展面临的普遍性难题。道路交通安全状况令人堪忧，道路信息化与智能交通系统(IntelligentTransportationSystem，ITS)是提升道路设施利用效率，缓解交通堵塞，降低交通事故发生率的有效手段。通过计算机视觉技术实时感知道路车速、流量等交通流参数，提供实时路况，并结合历史数据对路网通行状态和出行时间进行预测，以自动视频分析代替人工监看，从海量视频中检测道路异常事件，包括路面遗留物检测、高速公路违法停检测等高危事件，对提高公路信息化水平和公众服务能力都具有非常重要的意义。
技术实现思路
本专利技术要解决的问题是：随着道路监控视频数量大幅攀升，仅依靠人工无法实现既有视频资源有效管理。通过计算机视频分析自动分析交通监控视频，提取交通参数，自动发现并主动上报异常事件，本文档来自技高网...

【技术保护点】
基于深度卷积神经网络的路面遗留物检测方法，其特征是基于深度卷积神经网络Deep‑CNN网络模型，Deep‑CNN网络模型将路面感兴趣区域划分为多个网络，构建路面—非路面识别模型，通过非路面网格反向识别方法反向识别高速公路路面遗留物，包括以下步骤：Step1：路面模型训练，采集道路摄像头的视频图像，将视频窗口中路面的感兴趣区域ROI

【技术特征摘要】
1.基于深度卷积神经网络的路面遗留物检测方法，其特征是基于深度卷积神经网络Deep-CNN网络模型，Deep-CNN网络模型将路面感兴趣区域划分为多个网络，构建路面—非路面识别模型，通过非路面网格反向识别方法反向识别高速公路路面遗留物，包括以下步骤：Step1：路面模型训练，采集道路摄像头的视频图像，将视频窗口中路面的感兴趣区域ROI路面网格化分割成多个小块，标准化后作为Deep-CNN网络模型的训练集，训练时首先采用无监督方法训练获取图像特征，聚类后再设置标签，人工方式标记路面类型，区分路面与非路面，得到路面—非路面识别模型；Step2：非路面前景模型训练，将被分为非路面的网格图片按连通区域组合成候选目标加入训练库，再次采用Deep-CNN网络模型进行训练，分级训练路面目标，所述路面目标包括车辆、路面遗留物和行人，得到前景识别模型；Step3：前景目标检测，在step1及step2的识别模型基础上，对实时视频图像使用Deep-CNN网络模型和SVM分类器实现前景目标的检测与分类，先识别路面非路面，再识别出前景目标的类型；Step4：行为分析，在前景目标分类识别基础上，根据前景目标在视频图像序列中的上下文信息，进行路面遗留物检测。2.根据权利要求1所述的基于深度卷积神经网络的路面遗留物检测方法，其特征是所述的...

【专利技术属性】
技术研发人员：阮雅端，高妍，张宇杭，张园笛，陈启美，
申请(专利权)人：南京大学，
类型：发明
国别省市：江苏,32